الگوریتم ها نیز به مدیران احتیاج دارند

ساخت وبلاگ

الگوریتم ها ابزارهای پیش بینی کننده قدرتمندی هستند ، اما می توانند در صورت عدم استفاده صحیح ، آموک را اجرا کنند. آنچه را که اغلب در سایت های رسانه های اجتماعی اتفاق می افتد در نظر بگیرید. امروزه بسیاری از الگوریتم ها برای تصمیم گیری در کدام تبلیغات و پیوندها برای نشان دادن کاربران استفاده می کنند. اما هنگامی که این الگوریتم ها بیش از حد روی حداکثر رساندن کلیک متمرکز می شوند ، سایت ها به سرعت با محتوای با کیفیت پایین خفه می شوند. در حالی که کلیک افزایش می یابد ، رضایت مشتری کاهش می یابد.

به گفته نویسندگان ، این اشکالات در الگوریتم ها نیستند بلکه به روشی هستند که با آنها تعامل داریم. مدیران باید دو محدودیت اصلی خود را تشخیص دهند: اول ، آنها کاملاً تحت اللفظی هستند. الگوریتم ها دقیقاً همان کاری را که به آنها گفته اند انجام می دهند و هر ملاحظه دیگری را نادیده می گیرند. در حالی که یک انسان می فهمید که طراحان سایت ها می خواستند کیفیت را با کلیک اندازه گیری کنند ، الگوریتم ها با هزینه کیفیت ، کلیک ها را به حداکثر می رساند. دوم ، الگوریتم ها جعبه های سیاه هستند. اگرچه آنها می توانند آینده را با دقت زیادی پیش بینی کنند ، اما آنها نمی گویند چه چیزی باعث ایجاد یک رویداد یا چرا خواهد شد. آنها به شما می گویند که کدام مقالات مجله احتمالاً در توییتر به اشتراک گذاشته می شوند بدون اینکه توضیح دهند که چه چیزی مردم را به توئیت در مورد آنها انگیزه می دهد ، به عنوان مثال.

برای جلوگیری از اشتباهات ، هنگام تدوین الگوریتم های خود ، باید در مورد تمام اهداف خود - سخت و نرم - صریح باشید. شما همچنین باید پیامدهای طولانی مدت داده هایی را که الگوریتم ها در آن گنجانیده اند در نظر بگیرید تا اطمینان حاصل کنید که آنها به طور نزدیک به نتایج کوتاه مدت متمرکز نیستند. و ورودی های داده مناسب را انتخاب کنید ، مطمئناً تعداد گسترده ای از اطلاعات را از تنوع منابع جمع می کنید.

ایده به طور خلاصه

مشکل

الگوریتم ها ابزارهای اساسی برای برنامه ریزی هستند ، اما آنها به راحتی می توانند تصمیم گیرندگان را گمراه کنند.

علل

همه الگوریتم ها دو ویژگی را به اشتراک می گذارند: آنها تحت اللفظی هستند ، به این معنی که آنها دقیقاً همان کاری را انجام می دهند که از آنها بخواهید انجام دهند. آنها جعبه های سیاه هستند ، به این معنی که توضیح نمی دهند که چرا توصیه های خاصی ارائه می دهند.

راه حل

هنگام تدوین الگوریتم ها ، در مورد تمام اهداف خود صریح باشید. پیامدهای طولانی مدت از داده هایی را که بررسی می کنید در نظر بگیرید. و مطمئن شوید که ورودی های داده مناسب را انتخاب می کنید.

بیشتر مشاغل مدیران شامل پیش بینی است. وقتی متخصصان منابع انسانی تصمیم می گیرند چه کسی را استخدام کنند ، آنها پیش بینی می کنند چه کسی مؤثرترین خواهد بود. هنگامی که بازاریابان انتخاب می کنند که از کدام کانال های توزیع استفاده کنند ، آنها پیش بینی می کنند که یک محصول بهترین فروش را به فروش می رساند. هنگامی که VC ها تعیین می کنند که آیا می توانند یک راه اندازی را تأمین کنند ، آنها پیش بینی می کنند که آیا این موفقیت خواهد بود یا خیر. برای انجام این و بی شمار پیش بینی های تجاری دیگر ، شرکت ها امروز بیشتر و بیشتر به الگوریتم های رایانه تبدیل می شوند ، که عملیات تحلیلی گام به گام را با سرعت و مقیاس باورنکردنی انجام می دهند.

الگوریتم ها پیش بینی ها را دقیق تر می کنند - اما خطرات خود را نیز ایجاد می کنند ، به خصوص اگر ما آنها را درک نکنیم. نمونه های مشخص بالا بسیار زیاد است. هنگامی که Netflix برای ایجاد الگوریتمی که می تواند مشخص کند کدام فیلم ها را می خواهد ، تیم های دانشمندان داده به نیروها پیوستند و یک برنده تولید کردند. اما این موردی بود که در مورد DVD ها اعمال می شد - و وقتی بینندگان Netflix به فیلم های پخش می شدند ، ترجیحات آنها به روشهایی تغییر یافت که با پیش بینی های الگوریتم مطابقت نداشته باشد.

مثال دیگر از رسانه های اجتماعی آمده است. امروزه بسیاری از سایت ها الگوریتم ها را برای تصمیم گیری در مورد کدام تبلیغات و پیوندها برای نشان دادن کاربران مستقر می کنند. هنگامی که این الگوریتم ها بیش از حد روی حداکثر رساندن کلیک کاربر متمرکز شده اند ، سایت ها با مقالات "کلیک با کلیک" با کیفیت پایین خفه می شوند. نرخ کلیک از طریق افزایش می یابد ، اما رضایت کلی مشتری ممکن است کاهش یابد.

این مقاله همچنین در:

10 HBR باید در مورد AI ، Analytics و سن دستگاه جدید بخواند

مشکلاتی مانند اینها اجتناب ناپذیر نیست. در کار ما طراحی و اجرای الگوریتم ها و شناسایی منابع داده جدید با طیف وسیعی از سازمان ها ، ما دیده ایم که منبع دشواری اغلب اشکالات موجود در الگوریتم ها نیست. این اشکالات در نحوه تعامل با آنها است. برای جلوگیری از اشتباهات ، مدیران باید بفهمند که الگوریتم ها به خوبی چه کاری انجام می دهند - چه سؤالاتی به آنها پاسخ می دهند و چه سؤالاتی را انجام نمی دهند.

چرا الگوریتم های هوشمند ما را گمراه می کنند؟

همانطور که شواهد در حال رشد نشان می دهد ، الگوریتم های انسانی سازی ما را با آنها راحت تر می کند. این می تواند مفید باشد اگر به عنوان مثال ، شما در حال طراحی یک عملکرد تماس خودکار هستید. صدای یک شخص واقعی بیشتر از صدای الکترونیکی برای گوش دادن مردم به احتمال زیاد است. با این حال ، مشکل اساسی این است که مردم با الگوریتم ها و دستگاه هایی که آنها را به همان روشی که با یک کارمند ، سرپرست یا همکار رفتار می کنند ، رفتار می کنند. اما الگوریتم ها به دو روش مهم بسیار متفاوت از انسان رفتار می کنند:

الگوریتم ها بسیار تحت اللفظی هستند.

در جدیدترین فیلم Avengers ، تونی استارک (همچنین به عنوان مرد آهنین نیز شناخته می شود) Ultron ، یک سیستم دفاعی با هوش مصنوعی را که وظیفه محافظت از زمین را دارد ، ایجاد می کند. اما Ultron این کار را به معنای واقعی کلمه تفسیر می کند و نتیجه می گیرد که بهترین راه برای نجات زمین نابودی همه انسانها است. از بسیاری جهات ، Ultron مانند یک الگوریتم معمولی رفتار می کند: دقیقاً همان چیزی را که گفته می شود انجام می دهد - و هر نظر دیگری را نادیده می گیرد. وقتی الگوریتم ها را با دقت مدیریت نمی کنیم ، دچار مشکل می شویم.

سایت های رسانه های اجتماعی که به طور ناگهانی با طعمه کلیک باتلاق شدند ، در یک تله مشابه قرار گرفتند. هدف کلی آنها واضح بود: محتوایی را تهیه کنید که جذاب ترین و جذاب برای کاربران باشد. در برقراری ارتباط آن با الگوریتم ، آنها مجموعه ای از دستورالعمل ها را ارائه دادند که به نظر می رسید یک پروکسی خوب است - مواردی که کاربران بیشترین کلیک را می کنند. و این یک پروکسی بد نیست: افراد به طور معمول روی محتوا کلیک می کنند زیرا به آنها علاقه مند است. اما انجام انتخاب ها صرفاً بر اساس کلیک به سرعت سایت هایی را با مواد سطحی و توهین آمیز که به شهرت آنها آسیب می رساند ، پر می شود. یک انسان می فهمد که طراحان سایت ها به معنای "حداکثر کیفیت همانطور که با کلیک اندازه گیری می شوند" به معنای "حداکثر کلیک حتی با هزینه کیفیت" هستند. از طرف دیگر ، یک الگوریتم فقط آنچه را که صریحاً گفته می شود می فهمد.

الگوریتم ها جعبه های سیاه هستند.

در جولیوس سزار شکسپیر ، یک سوتاییر به سزار هشدار می دهد که "از راهپیمایی های مارس مراقبت کند."این توصیه کاملاً واضح بود: سزار مراقب بهتر بود. با این حال ، در عین حال کاملاً غیرقابل درک بود. مراقب چی باشید؟چرا؟سزار ، که از پیام مرموز ناامید شد ، Soothsayer را رد کرد و اظهار داشت: "او یک رویاپرداز است. بگذارید او را ترک کنیم. "در واقع ، معلومات مارس روز بدی برای حاکم بود. مشکل این بود که Soothsayer اطلاعات ناقص را ارائه می داد. و هیچ سرنخی برای آنچه از دست رفته یا چقدر این اطلاعات مهم است وجود ندارد.

مانند Soothsayer شکسپیر ، الگوریتم ها اغلب می توانند آینده را با دقت زیادی پیش بینی کنند اما به شما نمی گویند که چه چیزی باعث ایجاد یک رویداد خواهد شد و نه چرا. یک الگوریتم می تواند در هر مقاله نیویورک تایمز بخواند و به شما بگوید که به احتمال زیاد در توییتر به اشتراک گذاشته می شود بدون اینکه لزوماً توضیح دهد که چرا مردم به توییت در مورد آن منتقل می شوند. یک الگوریتم می تواند به شما بگوید که کارمندان به احتمال زیاد موفق می شوند بدون اینکه مشخص کنند کدام ویژگی ها برای موفقیت مهم هستند.

شناخت این دو محدودیت الگوریتم اولین قدم برای مدیریت بهتر آنها است. حال بیایید به سایر مراحل دیگری که می توانید برای استفاده بیشتر از آنها بپردازید ، نگاهی بیندازیم.

در مورد همه اهداف خود صریح باشید

هر کس اهداف و دستورالعمل هایی دارد ، اما ما همچنین می دانیم که پایان همیشه وسایل را توجیه نمی کند. ما می دانیم که اهداف نرم (اغلب ناگفته) و تجارت وجود دارد. ما ممکن است امروز برای سودآوری در شهرت فردا کمی سود خود را کاهش دهیم. ما ممکن است برای برابری تلاش کنیم - حتی اگر در کوتاه مدت باعث درد سازمانی شود. از طرف دیگر ، الگوریتم ها یک هدف مشخص را به صورت تک ذهنیت دنبال می کنند. بهترین راه برای کاهش این امر این است که در مورد هر آنچه می خواهید به دست بیاورید ، شفاف باشد.

اگر به یک هدف نرم اهمیت می دهید ، باید آن را بیان کنید ، آن را تعریف کنید و میزان اهمیت آن را تعیین کنید. تا آنجا که اندازه گیری اهداف نرم دشوار است ، هنگام عمل بر روی نتایج حاصل از الگوریتم ، آنها را در ذهن خود نگه دارید.

در Google (که برخی از تحقیقات ما را در مورد موضوعات دیگر تأمین کرده است) ، یک مشکل گل نرم با الگوریتمی پدید آمده است که تعیین می کند کدام تبلیغات را نمایش می دهد. پروفسور هاروارد Latanya Sweeney در یک مطالعه آن را کشف کرد. او دریافت که وقتی نام هایی را که معمولاً آمریکایی آفریقایی بودند ، مانند "Latanya Farrell" به Google تایپ کردید ، به شما تبلیغاتی نشان داده شد که برای بررسی سوابق دستگیری احتمالی ، اما وقتی به جستجوی نام هایی مانند "کریستن هارینگ" پرداختید. هدف سخت Google از به حداکثر رساندن کلیک بر روی تبلیغات منجر به وضعیتی شده است که در آن الگوریتم های آن ، که از طریق بازخورد با گذشت زمان تصفیه می شوند ، در واقع افراد با انواع خاصی از اسامی را بدنام می کردند. این اتفاق افتاد زیرا افرادی که به دنبال نام های خاص بودند ، بیشتر روی سوابق دستگیری کلیک می کردند ، که باعث شد این سوابق حتی بیشتر ظاهر شوند و یک حلقه تقویت کننده خود ایجاد می کنند. این احتمالاً نتیجه مورد نظر نبود ، اما بدون هدف نرم ، هیچ مکانیسمی برای هدایت الگوریتم از آن وجود نداشت.

الگوریتم ها تجارت را درک نمی کنند. آنها اهداف را به صورت یک ذهنیت دنبال می کنند.

ما اخیراً اهمیت اهداف نرم را در عمل دیدیم. یکی از ما همکاری با یک شهر ساحل غربی برای بهبود کارآیی بازرسی های رستوران خود بود. چندین دهه است که این شهر عمدتاً به طور تصادفی آنها را انجام می داد اما به مکانهایی که دارای نقض قبلی بودند ، به بررسی دقیق تر می پرداختند. با این حال ، انتخاب مؤسسات برای بازرسی یک کار ایده آل برای یک الگوریتم است. الگوریتم ما متغیرهای بیشتری را پیدا کرد - فقط نقض گذشته - پیش بینی کننده باشد. نتیجه این بود که وزارت بهداشت می تواند مجرمان احتمالی را راحت تر شناسایی کند و سپس با بازرسی های بسیار کمتری تخلفات واقعی را پیدا کند.

مقامات عاشق ایده کارآمدتر کردن روند کار بودند و می خواستند به سمت اجرای حرکت کنند. از ما پرسیدیم که آیا سؤال یا نگرانی وجود دارد یا خیر. پس از یک سکوت ناخوشایند ، یک نفر دست خود را بلند کرد. وی گفت: "من نمی دانم چگونه این موضوع را مطرح کنم.""اما موضوعی وجود دارد که باید در مورد آن بحث کنیم."وی توضیح داد که در برخی از محله ها با محله های محکم تر ، تمایل به تخلفات بیشتر وجود دارد. این محله ها همچنین به نظر می رسد که درصدی بالاتری از ساکنان اقلیت با درآمد کمتری داشته باشند. او نمی خواست که این محلات بیش از حد توسط الگوریتم مورد هدف قرار گیرند. او در حال ابراز هدف نرم مربوط به انصاف بود. راه حل ساده ما این بود که با تنظیم سقف روی تعداد بازرسی ها در هر منطقه ، آن هدف را در الگوریتم گنجانیم. این امر به هدف سخت می رسد ، و رستوران هایی را که به احتمال زیاد مشکل دارند ، شناسایی می کنند ، در حالی که هنوز هم به این نرم احترام می گذارند ، و اطمینان می دهند که محلات فقیر از آن جدا نشده اند.

به گام اضافی که به ما امکان پخت و پز اهداف نرم را می دهد توجه کنید: به همه فرصتی می دهیم تا هرگونه نگرانی را بیان کنیم. ما می دانیم که مردم اغلب اهداف نرم را به عنوان نگرانی تدوین می کنند ، بنابراین درخواست آنها به صراحت بحث بازتر و مثمر ثمر تر را تسهیل می کند. همچنین این که به مردم مجوز صنایع و صعود داشته باشند بسیار مهم است-برای گفتن چیزهایی که به طور عادی نمی توانند بگویند. این رویکرد می تواند موضوعات مختلفی را ایجاد کند ، اما مواردی که ما می بینیم بیشتر مربوط به انصاف و رسیدگی به موقعیت های حساس است.

این مقاله همچنین در:

10 HBR باید 2017 را بخواند

با یک هدف اصلی و لیستی از نگرانی های موجود ، طراح الگوریتم می تواند تجارت را در آن ایجاد کند. غالباً این ممکن است به معنای گسترش هدف برای شامل نتایج متعدد باشد که از نظر اهمیت وزن دارند.

نزدیک بینی را به حداقل برسانید

یک شرکت محبوب کالاهای بسته بندی شده مصرف کننده در حال خرید محصولات ارزان قیمت در چین و فروش آنها در ایالات متحده بود. این محصولات را پس از اجرای الگوریتمی که پیش بینی می کند کدام یک از آنها را بیشترین فروش می کند ، انتخاب کرد. مطمئناً ، فروش تا چند ماه بعد ، هنگامی که مشتریان شروع به بازگشت کالاها کردند ، به خوبی درآمده و به هم ریختند.

همانطور که اتفاق می افتد ، می توان نرخ بازگشت شگفت آور بالا و پایدار را پیش بینی کرد (حتی اگر الگوریتم نتوانسته است آن را پیش بینی کند). این شرکت بدیهی است که به کیفیت اهمیت می دهد ، اما این علاقه را به الگوریتمی که رضایت مصرف کننده را با دقت پیش بینی کرده است ، ترجمه نکرده است. در عوض ، از الگوریتم خواسته بود تا به شدت روی فروش متمرکز شود. در نهایت ، رویکرد جدید این شرکت این بود که در پیش بینی نه تنها چقدر محصولات فروش بلکه چه میزان مردم از آن لذت می برند و محصولات خود را حفظ می کنند. این شرکت اکنون به دنبال پیشنهادهایی است که مشتریان در آمازون و سایر سیستم عامل ها از آن غافل می شوند و نرخ بازده محصول کاهش یافته است.

این شرکت به یک خطای مشترک در مقابله با الگوریتم ها رسید: الگوریتم ها تمایل به نزدیک بینی دارند. آنها روی داده های مورد نظر تمرکز می کنند-و این داده ها اغلب به نتایج کوتاه مدت مربوط می شوند. بین موفقیت کوتاه مدت و سود بلند مدت و اهداف گسترده شرکت می تواند تنش ایجاد شود. انسانها به طور ضمنی این را درک می کنند. الگوریتم ها مگر اینکه به آنها بگویید.

این مشکل را می توان در مرحله اهداف با شناسایی و مشخص کردن اهداف بلند مدت حل کرد. اما هنگام عمل بر روی پیش بینی های الگوریتم ، مدیران نیز باید تا چه اندازه الگوریتم با اهداف بلند مدت سازگار باشند.

نزدیک بینی همچنین ضعف اصلی برنامه هایی است که با استفاده از حداکثر رساندن کلیک ، محتوای کم کیفیت را تولید می کنند. این الگوریتم ها برای هدفی که می تواند در لحظه اندازه گیری شود ، بهینه می شوند-چه کاربر روی یک پیوند کلیک می کند-بدون توجه به هدف طولانی تر و مهمتر از این که کاربران را از تجربه خود در سایت راضی نگه دارند.

نزدیک بودن می تواند مسئله ای با کمپین های بازاریابی باشد. یک کمپین تبلیغاتی شکاف از آسیاب را با Google در نظر بگیرید. این به احتمال زیاد منجر به افزایش سنبله در Gap.com می شود - زیرا الگوریتم Google در پیش بینی اینکه چه کسی روی یک تبلیغ کلیک خواهد کرد ، خوب است. مسئله این است که هدف واقعی افزایش فروش است - افزایش بازدیدهای وب سایت. برای پرداختن به این موضوع ، سیستم عامل های تبلیغاتی می توانند داده های فروش را از طریق کانال های مختلف مانند مشارکت با سیستم های پرداخت جمع آوری کنند و آن را در الگوریتم های خود بگنجانند.

الگوریتم ها بر داده های مورد نظر تمرکز می کنند-که اغلب به نتایج کوتاه مدت مربوط می شود.

علاوه بر این ، بازدیدهای وب سایت یک رفتار کوتاه مدت است ، در حالی که تأثیر طولانی مدت تبلیغات شامل اثرات پایین دست در تصویر برند و تکرار تجارت است. در حالی که داده های کامل در مورد چنین اثرات دشوار است ، ممیزی داده های دقیق می توانند به بسیار کمک کنند. مدیران باید به طور سیستماتیک تمام داده های داخلی و خارجی را که ممکن است مربوط به پروژه مورد نظر باشد ، لیست کنند. با یک کمپین Google ، بازاریابان GAP می توانند با بیان تمام اهداف خود - فروش زیاد ، بازده کم ، شهرت خوب و غیره - شروع کنند و سپس راه هایی برای اندازه گیری هر یک را بیان کنند. بازده محصول ، بررسی های آنلاین و جستجو برای اصطلاح "شکاف" همه معیارهای عالی خواهد بود. بهترین الگوریتم می تواند پیش بینی هایی را از ترکیبی از همه این ویژگی ها ایجاد کند و از اهمیت نسبی آنها کالیبره کند.

ورودی های داده مناسب را انتخاب کنید

بیایید به نمونه ادارات بهداشتی که سعی در شناسایی رستوران ها در معرض خطر ابتلا به بیماری ناشی از غذا دارند ، برگردیم. همانطور که قبلاً ذکر شد ، شهرها از نظر تاریخی به طور تصادفی یا بر اساس نتایج بازرسی قبلی مورد بازرسی قرار گرفته اند. همکاری با YELP ، یکی از ما به شهر بوستون کمک کرد تا از بررسی های آنلاین استفاده کند تا مشخص کند کدام رستوران ها به احتمال زیاد کدهای بهداشت محلی را نقض می کنند و الگوریتمی ایجاد می کنند که متن را در بررسی ها با داده های بازرسی تاریخی مقایسه می کند. با استفاده از آن ، شهر همان تعداد تخلفات را به طور معمول مشخص کرد ، اما با 40 ٪ بازرسان کمتر - افزایش چشمگیر کارآیی.

این رویکرد نه تنها به این دلیل که رستوران های زیادی برای دیدن آنها داشتیم ، خوب عمل کرد بلکه به این دلیل که بررسی های Yelp مجموعه خوبی از داده ها را ارائه می داد - چیزی که شهرها به فکر زیادی نبودند. یک بررسی Yelp شامل بسیاری از کلمات و انواع اطلاعات است. داده ها نیز متنوع هستند ، زیرا از منابع مختلف گرفته شده است. به طور خلاصه ، کاملاً برخلاف داده های بازرس ، شهرهای ایجاد شده به کار با آنها عادت کرده اند.

هنگام انتخاب منابع داده مناسب ، موارد زیر را به خاطر بسپارید:

گسترده تر است.

یکی از شرکت های تله ای که اغلب در آن قرار می گیرند ، فکر کردن به داده های بزرگ را صرفاً سوابق زیادی می کند - به عنوان مثال ، به جای 10،000 به یک میلیون مشتری نگاه می کند. اما این فقط نیمی از تصویر است. تصور کنید که داده های خود در یک جدول ، با یک ردیف برای هر مشتری سازماندهی شده است. تعداد مشتریان طول جدول است. مبلغی که در مورد هر مشتری می دانید عرض را تعیین می کند - چند ویژگی در هر ردیف ثبت می شود. و در حالی که افزایش طول داده ها پیش بینی های شما را بهبود می بخشد ، قدرت کامل داده های بزرگ از جمع آوری داده های گسترده ناشی می شود. استفاده از اطلاعات جامع در قلب پیش بینی است. هر جزئیات دیگری که در مورد نتیجه می آموزید مانند یک سرنخ دیگر است و می تواند با سرنخ هایی که قبلاً جمع آوری کرده اید ترکیب شود. به عنوان مثال ، اسناد متنی منبع خوبی از داده های گسترده است. هر کلمه یک سرنخ است.

تنوع مهم است.

نتیجه این امر این است که داده ها باید متنوع باشند ، به این معنا که منابع مختلف داده باید نسبت به یکدیگر ربطی نداشته باشند. اینجاست که قدرت پیش بینی اضافی از آن ناشی می شود. با هر مجموعه داده مانند یک توصیه از یک دوست رفتار کنید. اگر مجموعه داده ها خیلی شبیه به هم باشند ، از هر یک از موارد اضافی سود زیادی نخواهد داشت. اما اگر هر مجموعه داده دیدگاه منحصر به فردی داشته باشد ، ارزش بسیار بیشتری ایجاد می شود.

محدودیت ها را درک کنید

دانستن آنچه که الگوریتم شما نمی تواند به شما بگوید به همان اندازه مهم است که دانستن آنچه می تواند. تسلیم این باور غلط است که پیش بینی های انجام شده در یک زمینه به همان اندازه خوب در دیگری اعمال می شود. این همان چیزی است که مانع از این شد که رقابت Netflix در سال 2009 سود بیشتری به شرکت بدهد: الگوریتمی که به طور دقیق پیش بینی می کند که یک شخص DVD می خواهد در نامه سفارش دهد ، تقریباً در مشخص کردن کدام فیلم می خواهد در حال حاضر پخش شود. Netflix بینش مفیدی و تبلیغات خوب از این مسابقه کسب کرد ، اما داده های جمع آوری شده در DVD ها برای پخش صدق نمی کند.

الگوریتم ها از داده های موجود استفاده می کنند تا پیش بینی هایی راجع به آنچه ممکن است با یک تنظیم ، جمعیت ، زمان یا سؤال کمی متفاوت اتفاق بیفتد ، پیش بینی کنند. در اصل ، شما بینش را از یک زمینه به زمینه دیگر منتقل می کنید. بنابراین ، این یک عمل عاقلانه است که دلایلی را که ممکن است الگوریتم به یک مشکل جدید قابل انتقال نباشد و اهمیت آنها را ارزیابی کند ، ذکر کنید. به عنوان مثال ، یک الگوریتم نقض کد بهداشتی مبتنی بر بررسی ها و تخلفات در بوستون ممکن است در اورلاندو کمتر مؤثر باشد ، که هوای گرم تری دارد و بنابراین با مشکلات مختلف ایمنی مواد غذایی روبرو است.

همچنین به یاد داشته باشید که همبستگی هنوز به معنای علیت نیست. فرض کنید که یک الگوریتم پیش بینی می کند که توییت های کوتاه بیشتر از زمان های طولانی تر بازتوییت می شوند. این به هیچ وجه نشان نمی دهد که شما باید توییت های خود را کوتاه کنید. این یک پیش بینی است ، نه توصیه. این به عنوان یک پیش بینی عمل می کند زیرا بسیاری از عوامل دیگر با توییت های کوتاه ارتباط دارند که باعث می شود آنها مؤثر باشد. به همین دلیل است که به عنوان توصیه شکست می خورد: کوتاه کردن توییت های شما لزوماً این عوامل دیگر را تغییر نمی دهد.

تجربیات eBay را که سالها از طریق گوگل تبلیغ می کرد ، در نظر بگیرید. eBay دید که افرادی که این تبلیغات را مشاهده می کنند بیشتر از افرادی که این کار را نمی کردند ، در آن خرید می کنند. آنچه که نمی دید این بود که آیا تبلیغات (که میلیون ها بار نشان داده شده است) باعث می شود افراد به سایت آن بیایند. از این گذشته ، تبلیغات عمداً به خریداران eBay نشان داده شد. برای جدا کردن همبستگی از علیت ، eBay آزمایش بزرگی را انجام داد که در آن به طور تصادفی برای برخی از افراد تبلیغ می کرد و نه دیگران. نتیجه؟به نظر می رسد که تبلیغات در بیشتر موارد بی فایده بوده است ، زیرا افرادی که آنها را دیدند قبلاً از eBay اطلاع داشتند و به هر حال آنجا را خرد می کردند.

الگوریتم هایی که قادر به پیش بینی هستند ، هنگام ترسیم اتصالات بین علت و تأثیر ، نیاز به مراقبت را از بین نمی برد. آنها جایگزینی برای آزمایش های کنترل شده نیستند. اما کاری که آنها می توانند انجام دهند بسیار قدرتمند است: شناسایی الگوهای بسیار ظریف که با مشاهده انسان شناسایی می شوند ، و استفاده از آن الگوهای برای تولید بینش دقیق و اطلاع رسانی تصمیم گیری بهتر. چالش برای ما درک خطرات و محدودیت های آنها و از طریق مدیریت مؤثر ، باز کردن پتانسیل قابل توجه آنها است.

نسخه ای از این مقاله در شماره ژانویه تا فوریه 2016 (صص . 96-101) بررسی بازرگانی هاروارد ظاهر شد.

استراتژی‌های اسکالپ...
ما را در سایت استراتژی‌های اسکالپ دنبال می کنید

برچسب : نویسنده : ناصر تقوایی بازدید : 53 تاريخ : جمعه 5 خرداد 1402 ساعت: 23:34